吳濟(jì)洲，張紅敏

(信息工程大學(xué)數(shù)據(jù)與目標(biāo)工程學(xué)院，河南 鄭州 450001)

隨著ads-b與雷達(dá)技術(shù)的普及與發(fā)展,空中目標(biāo)時(shí)空軌跡數(shù)據(jù)獲取難度日益下降,大量航跡數(shù)據(jù)中包含了目標(biāo)的眾多特性信息,這些信息在智慧城市感知、交通路網(wǎng)監(jiān)測(cè)、群體行為分析和軍事目標(biāo)跟蹤識(shí)別等領(lǐng)域均具有顯著的應(yīng)用價(jià)值。

空中目標(biāo)航跡通常包括經(jīng)緯高及速度、航向等數(shù)據(jù),這些數(shù)據(jù)隱含了諸多航跡特征,如飛行空域管制、飛機(jī)性能限制以及任務(wù)需求等,這些特征可直接服務(wù)于一線專家的判決分析。然而由于空中目標(biāo),特別是軍機(jī)目標(biāo),存在機(jī)動(dòng)性較強(qiáng)、回波信號(hào)信噪比較低且易受電磁干擾等問題,導(dǎo)致航跡質(zhì)量差、軌跡毛刺多,使得基于航跡的軍用飛機(jī)識(shí)別難度較大,一線仍多根據(jù)人工經(jīng)驗(yàn)進(jìn)行判別,機(jī)型識(shí)別效能不高。盡管現(xiàn)今深度學(xué)習(xí)方法在航跡識(shí)別研究中應(yīng)用日漸增多,但由于該類方法采用直接從數(shù)據(jù)端到結(jié)果端的黑盒分析模式,存在中間數(shù)據(jù)結(jié)構(gòu)難以解釋與理解、難以應(yīng)對(duì)未知型號(hào)目標(biāo)等問題，因此,基于有效特征提取的航跡識(shí)別方法仍具有不可替代的重要作用,如何提升航跡特征提取效能，進(jìn)而提升識(shí)別準(zhǔn)確率與自動(dòng)化水平是急需解決的問題。

近年來航跡數(shù)據(jù)處理與應(yīng)用的研究逐漸增多,在航跡起始判定與建立上文獻(xiàn)[12-16]取得了良好效果;利用航跡匹配方式實(shí)現(xiàn)軌跡識(shí)別文獻(xiàn)[17]展開了深入研究;深度學(xué)習(xí)方法在航跡處理應(yīng)用領(lǐng)域也有了較大發(fā)展,文獻(xiàn)[18-21]采用CNN,GANs等對(duì)典型航跡做目標(biāo)分類，文獻(xiàn)[22-24]根據(jù)航跡數(shù)據(jù)部分特征做目標(biāo)分類。以上方法研究對(duì)象大多為有固定飛行路線的民用航空器,對(duì)飛行自由度高、軌跡記錄不一致的高自由度空中目標(biāo)航跡的識(shí)別能力識(shí)別較弱。民航飛機(jī)擁有相對(duì)固定的飛行路線設(shè)計(jì),軌跡在發(fā)生偏移后可以匹配路徑數(shù)據(jù)進(jìn)行及時(shí)修正,軍用飛機(jī)航跡多無路網(wǎng)限制,飛行自由度高、機(jī)動(dòng)性強(qiáng),使得軌跡靈活多變、常無固定航線、標(biāo)簽樣本數(shù)據(jù)較為欠缺。

為了解決上述問題本文提出了一種航跡數(shù)據(jù)高維特征矩陣提取方法,該方法從統(tǒng)計(jì)特性、巡航特性、機(jī)動(dòng)特性、飛行區(qū)域和速度譜多個(gè)維度分析航跡數(shù)據(jù)特性,提取特性描述參數(shù),并形成多維特征矩陣。以多維特征矩陣作為輸入,進(jìn)行了多分類器空中目標(biāo)識(shí)別實(shí)驗(yàn),驗(yàn)證了本文創(chuàng)建的高維特征矩陣具有數(shù)據(jù)特征較全面、可解釋性強(qiáng)、邏輯性較強(qiáng)等特點(diǎn)。本文航跡數(shù)據(jù)高維特征矩陣提取方法既可為一線判證人員提供一種數(shù)字化解讀傳統(tǒng)航跡數(shù)據(jù)特征的新思路,也可為自動(dòng)航跡識(shí)別算法提供了更全面的輸入特征。

1 空中目標(biāo)高維特征提取

目標(biāo)航跡測(cè)量信息包含雷達(dá)測(cè)量飛行目標(biāo)得到的時(shí)間、經(jīng)度、緯度、速度、高度以及移動(dòng)方向等信息。分析不同目標(biāo)特性產(chǎn)生機(jī)理與顯著特點(diǎn),盡可能多挖掘航跡中包含的各目標(biāo)特性,從多個(gè)方面、多維度挖掘特定目標(biāo)特征,提高識(shí)別準(zhǔn)確率。

航跡特征提取流程如圖1所示,在獲取雷達(dá)接收的航跡數(shù)據(jù)后,對(duì)航跡數(shù)據(jù)做特征提取,進(jìn)而獲得統(tǒng)計(jì)特性分布情況、專家判斷所需的飛行時(shí)刻、飛行地域、巡航特性等信息以及速度譜等高階抽象特征,形成高維特征矩陣。為后續(xù)利用航跡特征進(jìn)行多手段信息融合判別提供支撐。

圖1 高維特征矩陣提取流程圖

表1 特征提取類別與作用

飛行區(qū)域特征則是根據(jù)空中目標(biāo)飛行路線規(guī)劃設(shè)計(jì)確定,針對(duì)固定航線飛行目標(biāo),對(duì)飛行區(qū)域設(shè)置具有戰(zhàn)術(shù)意義的區(qū)域分割,對(duì)于民航飛機(jī)、戰(zhàn)斗機(jī)與偵察機(jī)飛行區(qū)域有著不同的航空空域管制,直接利用飛行軌跡以及飛行區(qū)域可以做有效劃分。

1.1 飛行區(qū)域特征

飛行區(qū)域是利用航跡提取飛行經(jīng)行地區(qū)。飛行區(qū)域劃分見表2,執(zhí)行特定任務(wù)的空中目標(biāo)有固定的飛行航線和飛行軌跡,在重點(diǎn)區(qū)域會(huì)進(jìn)行盤旋或者繞行,在航跡中先檢索所有經(jīng)過區(qū)域,再對(duì)高機(jī)動(dòng)飛行區(qū)域和高頻活動(dòng)區(qū)域進(jìn)行重點(diǎn)分析,與熱點(diǎn)圖進(jìn)行比較,匹配相應(yīng)類型目標(biāo)。

表2 飛行區(qū)域劃分表

1.2 運(yùn)動(dòng)特性

速度計(jì)算公式為

(1)

其中,=sin()*sin(-1)+cos()*cos(-1)*cos(--1),為經(jīng)度數(shù)值,為緯度數(shù)值。

1.3 運(yùn)動(dòng)狀態(tài)特征

提取完空中目標(biāo)的常規(guī)統(tǒng)計(jì)特征后,對(duì)速度以及高度數(shù)據(jù)進(jìn)一步挖掘統(tǒng)計(jì)巡航狀態(tài)特性,出于空氣動(dòng)力學(xué)設(shè)計(jì)以及任務(wù)需求,各飛行目標(biāo)有設(shè)定的理想飛行高度以及速度來解決油耗和飛行管制問題。航跡特征提取目標(biāo)飛行時(shí)長(zhǎng)、巡航高度、巡航速度等數(shù)值與專家?guī)爝M(jìn)行匹配,利用一線經(jīng)驗(yàn)判斷目標(biāo)類型。目標(biāo)飛行時(shí)長(zhǎng)為對(duì)數(shù)據(jù)統(tǒng)計(jì)單次飛行總時(shí)長(zhǎng),與后臺(tái)專家?guī)爝M(jìn)行比對(duì)目標(biāo)續(xù)航能力進(jìn)行匹配識(shí)別。巡航高度與巡航速度是統(tǒng)計(jì)目標(biāo)處于低機(jī)動(dòng)性下的飛行參數(shù)表現(xiàn),由于各類型空中目標(biāo)動(dòng)力與任務(wù)要求不一致,在低機(jī)動(dòng)性下的巡航狀態(tài)相關(guān)參數(shù)會(huì)出現(xiàn)顯著區(qū)別。在實(shí)際操作中區(qū)分機(jī)動(dòng)性高低通過量化加速度、爬升率與曲率三者乘積進(jìn)行,計(jì)算公式表示如下:

(2)

對(duì)航跡序列設(shè)置一個(gè)當(dāng)前序列5長(zhǎng)度的窗寬進(jìn)行滑動(dòng)求取機(jī)動(dòng)性,mean。

(3)

機(jī)動(dòng)性是衡量空中目標(biāo)改變飛行速度、方向、高度的指標(biāo),具體體現(xiàn)在加速度值,轉(zhuǎn)彎半徑的大小以及爬升率的高低,此類特征可進(jìn)一步區(qū)分識(shí)別空中目標(biāo)。實(shí)際提取中利用經(jīng)緯度以及各時(shí)刻目標(biāo)移動(dòng)方向的數(shù)據(jù)計(jì)算目標(biāo)水平機(jī)動(dòng)特性,再利用高度信息分析目標(biāo)垂直機(jī)動(dòng)性爬升率的大小。

加速度計(jì)算公式:

(4)

爬升率計(jì)算公式:

(5)

曲率及轉(zhuǎn)彎半徑計(jì)算公式:

(6)

1.4 速度譜特征

(7)

如果()在時(shí)間段∈[-2,2]上可以用()表示,且()的傅里葉變換為()=[()],其中(·)表示傅里葉變換。當(dāng)增加時(shí),()以及|()|的能量增加,在速度功率譜的定義中,當(dāng)→+∞時(shí),()→()此時(shí)|()|2π可能趨近于一極限,如果該極限存在,其平均功率亦可以在頻域表示:

(8)

即功率譜密度函數(shù)可表達(dá)如下:

(9)

對(duì)航跡進(jìn)行功率譜分析,是對(duì)航跡提取高維抽象的特征,獲取其高階分量特性,分析航跡中出現(xiàn)的機(jī)動(dòng)性特征。通過分析航跡數(shù)據(jù)生成航跡數(shù)據(jù)特征矩陣,包含運(yùn)動(dòng)特性、巡航特性、機(jī)動(dòng)特性、飛行區(qū)域以及速度譜特征,共計(jì)28維特征量化指標(biāo)。通過特征提取工作后將多維數(shù)據(jù)作為特征數(shù)據(jù)集輸入機(jī)器學(xué)習(xí)分類識(shí)別方法進(jìn)行分類識(shí)別驗(yàn)證。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本論文采用空中目標(biāo)真實(shí)飛行軌跡構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集,目標(biāo)航跡數(shù)據(jù)集是近兩年特定目標(biāo)的飛行航跡數(shù)據(jù),數(shù)據(jù)集總共有933條航跡,其中300條測(cè)試數(shù)據(jù)集。數(shù)據(jù)選取四類目標(biāo),民航、戰(zhàn)斗機(jī)1、戰(zhàn)斗機(jī)2和偵察機(jī)分別設(shè)定標(biāo)簽1、2、3和4,包括戰(zhàn)斗機(jī),民用航空飛機(jī)與偵察機(jī)四類合計(jì)20架次飛機(jī),其中標(biāo)簽1民航飛機(jī)包含8架次,戰(zhàn)斗機(jī)1包括3架次,戰(zhàn)斗機(jī)2共有2架次,偵察機(jī)總計(jì)7架次。共包含了多類飛機(jī)的運(yùn)動(dòng)情況,民航飛行數(shù)據(jù)多來自于Flight Aware航班跟蹤獲取的民航航班的航班信息,軍機(jī)數(shù)據(jù)來自部隊(duì)一線積累。數(shù)據(jù)集中每條航跡由數(shù)據(jù)標(biāo)號(hào)、飛行時(shí)間、經(jīng)度、緯度、高度以及機(jī)型標(biāo)簽六個(gè)屬性組成。

通過對(duì)航跡數(shù)據(jù)提取多維度特征,全面分析空中目標(biāo)飛行特性后使用多種識(shí)別分類方法進(jìn)行信息融合判別分析,有助于提高目標(biāo)識(shí)別的準(zhǔn)確率。

圖2為某民用飛機(jī)航班數(shù)據(jù)特征圖,以民航飛機(jī)飛行特征可視化為例,可以發(fā)現(xiàn)目標(biāo)飛行運(yùn)動(dòng)特征與常規(guī)經(jīng)驗(yàn)分析一致,仍有部分增量特征可以進(jìn)一步挖掘和研究。由圖可以分析得:數(shù)據(jù)獲取平穩(wěn),僅在飛行中段出現(xiàn)少量飛行數(shù)據(jù)缺失的現(xiàn)象,由加速度與速度變化圖可得:在起飛階段快速爬升加速度成高數(shù)值正值,中段巡航期保持平穩(wěn)飛行無明顯速度變化,末端飛機(jī)緩降,加速度呈低數(shù)值負(fù)數(shù),由速度分布,加速度分布以及速度譜圖中分析可得飛機(jī)機(jī)動(dòng)性弱,飛行平穩(wěn)。由圖2a)可得航跡數(shù)據(jù)采樣間隔變化較大,中間段出現(xiàn)部分?jǐn)?shù)據(jù)丟失的情況。由b)圖可知該目標(biāo)飛行在始末段飛行出現(xiàn)較大機(jī)動(dòng)性變化,飛行中段時(shí)刻平穩(wěn),c)、d)、e)圖可以分析得出目標(biāo)飛行速度、加速度詳細(xì)參數(shù),h)圖為目標(biāo)速度譜信息，g)圖為航跡數(shù)據(jù)經(jīng)過矯正后的三維航跡圖像。

圖2 提取部分特征示意圖

2.2 對(duì)比實(shí)驗(yàn)

為了充分驗(yàn)證特征提取的有效性,本文采用最近鄰算法(KNN)進(jìn)行了兩類航跡數(shù)據(jù)特征的分類實(shí)驗(yàn),一類是原始航跡形狀特征參數(shù),第二類是本文提出的高維特征矩陣。

圖3為選取的分類器識(shí)別混淆矩陣圖,a)圖為該混淆矩陣為對(duì)航跡特征采用決策樹分類方法所得出的實(shí)驗(yàn)結(jié)果,可以得出利用高維特征矩陣可以較好分辨標(biāo)簽1即民航機(jī)型與標(biāo)簽2即戰(zhàn)斗機(jī)機(jī)型的空中目標(biāo),對(duì)標(biāo)簽3戰(zhàn)斗機(jī)機(jī)型和標(biāo)簽4偵察機(jī)機(jī)型的目標(biāo)出現(xiàn)識(shí)別錯(cuò)誤的狀況。經(jīng)過分析,數(shù)據(jù)庫中標(biāo)簽1的民航數(shù)據(jù)飛行平穩(wěn),數(shù)據(jù)質(zhì)量高,特征區(qū)分性好,識(shí)別準(zhǔn)確率高,且上述選取戰(zhàn)斗機(jī)與偵察機(jī)飛機(jī)在飛行中部分軌跡相似,實(shí)驗(yàn)所選取的航跡數(shù)據(jù)主要為巡航段飛行數(shù)據(jù),加速度、轉(zhuǎn)彎半徑、爬升率特征不明顯,速度分量未表現(xiàn)出明顯差異且飛行區(qū)域重合,從而導(dǎo)致出現(xiàn)2%的誤判率,在盡可能獲取完整航跡、區(qū)域劃分合理的情況下可得到更為理想的分類效果。

對(duì)比實(shí)驗(yàn)使用歷史軌跡特征進(jìn)行識(shí)別分類,將歷史數(shù)據(jù)中反復(fù)出現(xiàn)的航路做特征提取進(jìn)行匹配識(shí)別,實(shí)驗(yàn)結(jié)果混淆矩陣如圖3b)所示綜合識(shí)別率為62.3%,由于民航飛機(jī)航跡完整連續(xù),數(shù)據(jù)質(zhì)量高,所以在該方法的軌跡匹配中對(duì)標(biāo)簽1類飛機(jī)識(shí)別率較為理想,但是針對(duì)機(jī)動(dòng)性高的戰(zhàn)斗機(jī)識(shí)別率極不理想,主要原因是該類飛機(jī)無固定飛行軌跡,飛行自由度高,僅從軌跡特征中無法有效識(shí)別目標(biāo)類型。針對(duì)標(biāo)簽4類目標(biāo),該對(duì)比方法大量誤判為標(biāo)簽1類民航飛機(jī),經(jīng)實(shí)驗(yàn)分析,偵察類飛機(jī)飛行平穩(wěn),軌跡特征不明顯,例如巡航直飛段在軌跡上與民航飛機(jī)軌跡直飛段無明顯差異,使得識(shí)別率極低。可以看到,本文提出的方法可以在目標(biāo)識(shí)別中有較高的魯棒性,從多緯度對(duì)目標(biāo)進(jìn)行特征提取,實(shí)現(xiàn)穩(wěn)定的識(shí)別性能。換言之,本文方法具有一定的穩(wěn)定性和抗干擾能力。

圖3 分類器識(shí)別混淆矩陣

圖4為采用機(jī)器學(xué)習(xí)集成學(xué)習(xí)器中的K近鄰分類器的識(shí)別率混淆矩陣,由圖可得僅有1%以下的標(biāo)簽3樣本被誤判為標(biāo)簽4,其余各類判別結(jié)果準(zhǔn)確,綜合識(shí)別率達(dá)到99%,實(shí)現(xiàn)了利用特征矩陣識(shí)別目標(biāo)的目的。

圖4 基于歷史軌跡特征匹配識(shí)別混淆矩陣

2.3 不同分類器實(shí)驗(yàn)

為了充分驗(yàn)證特征提取的有效性,本文對(duì)處理后的數(shù)據(jù)特征集采用了多種機(jī)器學(xué)習(xí)分類識(shí)別算法進(jìn)行測(cè)試,經(jīng)過回歸分類決策樹、最近鄰算法、支持向量機(jī)SVM、集成學(xué)習(xí)(Ensemble Learning)方法等4類算法進(jìn)行驗(yàn)證,各類機(jī)器學(xué)習(xí)實(shí)驗(yàn)結(jié)果準(zhǔn)確率見表3。對(duì)航跡數(shù)據(jù)提取多維特征矩陣耗時(shí)較短,一條包含2 000個(gè)采樣時(shí)刻的航跡數(shù)據(jù)總運(yùn)算時(shí)長(zhǎng)在CPU3.0 GHz計(jì)算機(jī)設(shè)備上低于30 s,運(yùn)算速度處于可接受范圍內(nèi)。

表3 機(jī)器學(xué)習(xí)實(shí)驗(yàn)結(jié)果準(zhǔn)確率

表3機(jī)器學(xué)習(xí)實(shí)驗(yàn)結(jié)果準(zhǔn)確率圖,分別采用了基于有監(jiān)督學(xué)習(xí)的回歸分類決策樹、支持向量機(jī)、樸素貝葉斯分類器、無監(jiān)督學(xué)習(xí)中的多策略最近鄰算法、高斯混合模型以及集成學(xué)習(xí)的Boosting算法進(jìn)行驗(yàn)證,數(shù)據(jù)表明在多類分類識(shí)別的驗(yàn)證中均有較好的識(shí)別效果。綜合以上多類分類器效果,航跡高維特征矩陣提取方法驗(yàn)證平均識(shí)別率達(dá)到92.4%。從平均識(shí)別率與運(yùn)算時(shí)長(zhǎng)可見,本文提出的航跡數(shù)據(jù)預(yù)處理與特征提取方法可以有效提升空中目標(biāo)識(shí)別效能。

圖5為對(duì)航跡高維特征矩陣做Parallel coordinates plot高維數(shù)據(jù)進(jìn)行特征可視化分析圖，分類器采用機(jī)器學(xué)習(xí)KNN算法，分類正確率達(dá)到84.8%時(shí)。圖中每一列均為一維特征，四種顏色分別對(duì)應(yīng)實(shí)驗(yàn)數(shù)據(jù)四類目標(biāo)，縱坐標(biāo)對(duì)應(yīng)的數(shù)值表示該項(xiàng)特征的數(shù)值大小，在圖上觀察相同顏色數(shù)據(jù)分布是否集中，不同類別區(qū)分差異是否足夠明顯可以評(píng)估特征有效性。可以發(fā)現(xiàn)利用單一維度均不能對(duì)航跡數(shù)據(jù)產(chǎn)生較好的分類識(shí)別效果，通過多類不相關(guān)特征聯(lián)合識(shí)別可以達(dá)到較高的分類識(shí)別效果。

圖5 航跡特征數(shù)值可視化

圖6為特征向量圖,即從高維特征矩陣中選取二維特征進(jìn)行比對(duì),各特征組合可得到不同的識(shí)別效果,從a)圖可以看出利用特征矩陣中的巡航特征加速度量化指標(biāo)與機(jī)動(dòng)階段爬升率指標(biāo)進(jìn)行聯(lián)合分析時(shí)得到的平面分布圖,較為準(zhǔn)確區(qū)分各類型機(jī)型,可以發(fā)現(xiàn)利用上述指標(biāo)對(duì)實(shí)驗(yàn)中四類目標(biāo)區(qū)分效果良好,第2類飛機(jī)與其他類目標(biāo)界限明顯,標(biāo)簽3飛機(jī)與標(biāo)簽4飛機(jī)特征分布出現(xiàn)較大重合,需要采用其他高維特征進(jìn)行分析。從b)圖可以看出,利用機(jī)動(dòng)飛行階段爬升率與目標(biāo)運(yùn)動(dòng)特性速度區(qū)間聯(lián)合,第1類辨識(shí)度強(qiáng),第3類與第4類區(qū)分明顯。通過利用分類器對(duì)航跡高維特征矩陣的聯(lián)合判證可以實(shí)現(xiàn)目標(biāo)的分類識(shí)別。

圖6 二維特征分析圖

3 結(jié)束語

針對(duì)雷達(dá)航跡數(shù)據(jù)特征提取不充分導(dǎo)致空中目標(biāo)特別是軍機(jī)目標(biāo)識(shí)別率偏低的問題,本文提出了一種航跡數(shù)據(jù)高維特征矩陣提取方法。從機(jī)動(dòng)性、巡航性、飛行區(qū)域以及高階特征等方面進(jìn)行航跡數(shù)據(jù)分析,進(jìn)而在不同維度統(tǒng)計(jì)數(shù)據(jù)特征，實(shí)現(xiàn)對(duì)原始數(shù)據(jù)的多層次特征分析,形成航跡數(shù)據(jù)高維特征矩陣。實(shí)測(cè)航跡數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證了方法的有效性與穩(wěn)定性,實(shí)驗(yàn)也表明在未獲取完整航跡、特別是高機(jī)動(dòng)段數(shù)據(jù)條件下,本文方法性能也存在一定衰減,因此后續(xù)需開展航跡殘缺及小樣本條件下的空中目標(biāo)識(shí)別方法研究。.